基于UNET网络模型道路垃圾语义分割背景介绍

      当前，随着我国经济水平的持续上升，快速发展带来的环境问题也越来越受到重视，据统计，我国的生活垃圾年产量已经超过 4 亿吨，城市垃圾的年增长率高达 7%-9%。道路垃圾占用大量土地，影响城市景观，甚至会对环境造成不可恢复的破坏。同时，上海市于 2019 年 7 月实施强制垃圾分类，46 个垃圾分类的重点城市也都将于 2020 年底建立完备的垃圾分类系统。因此，道路垃圾作为城市垃圾的一部分，也越来越受到人们的重视。

     道路清洗车在道路垃圾清理任务中发挥了重要作用，经过了数十年的发展，道路清洗车的结构和 性能 等都有了巨大的提升，也发展出了针对不同工况下的特种车型，主要适用于城市干道、环线、高等级公路和机场等沥青混凝土路面以及水泥混凝土路面的大面积、长距离快速清扫和保洁作业。但是，目前承担街道清洗作业的道路清洗车仍然需要劳动人员的大量参与，需要人力观察道路的垃圾状况，不仅容易造成清洗路面不干净，更会导致水资源的浪费，而人工智能的不断发展，也让更多的机械设备趋向于全自动化与智能化。因此，道路的清洗保洁作业需要从传统式低效率的人工观察道路清洁状况向智能化和自动化转变，一个思路就是通过图像识别等技术对道路垃圾进行检测。

      道路垃圾具有几何形态差别大、不同垃圾种类多、颜色纹理各异等特点，同时，城市道路一般比较宽广，相比较背景来说，道路垃圾占比很小。因此，对道路垃圾进行检测相较于普通规则物体检测难度更大。

      近年来十分火 热的深度学习技术，己经在自然语言处理、计算机视觉、语义理解等多个方面有了广泛的应用，并且在这些领域取得了突破性的进展。卷积神经网络是深度学习里面一个关键的课题，深度学习处理数据的基本思想是模拟人脑对事物的学习，本质上就是多层神经网络，通过对不同层次的特征进行学习来得到数据中本质的特征表示。语义分割是借助搭建深度神经网络，通过像素级的监督训练，实现端到端的图像分割任务，即输入一张任意大小的图像输出一张语义分割预测结果。在许多已公开的数据集上面，基于深度学习的方法都展现了较高的精确度。因此，学者们更加关注于深层神经网络的研究和发展，其实用性和在计算机视觉领域的良好性能使得它具有重大的研究和使用意义，同时，可以考虑在垃圾识别的领域进行运用。

      因此，利用人工智能的深度学习技术，设计深度神经网络以及卷积神经网络模型，来应用到道路清洗车的泥土、沙石、树叶的分割和分类中，能解决目前道路垃圾清扫费时费力的问题。将深度学习垃圾类别感知技术与道路清洗车的清扫力度控制技术相结合，可以使道路清洗任务更加智能化和便捷化。